Ring-artifact Correction Method for Large-size Object CT Images Based on Gradient Featured Cluster Analysis
-
摘要:
针对CT扫描系统的环形伪影,本文提出一种基于图像梯度特征聚类分析的Hough变换的环状伪影校正方法。利用极坐标图像梯度特征进行聚类分析,对重建图像数据分类初筛,将重组数据采用Hough变换直线检测并映射找出原图像中的伪影数据,进而插值消除极坐标图像的直线伪影,达到重建图像环形伪影消除的目的。模拟和实测图像的测试结果表明,采用图像梯度特征提取后,检测出有效伪影直线的数量大幅提升,重建图像中的环状伪影、弧形伪影及中心区的团状伪影都得到有效去除,且大大减少传统Hough变换法误检测直线的现象。
Abstract:In this paper, a Hough transform method based on image gradient featured extraction is proposed to eliminate the ring artifacts of CT scanning system. Firstly, we use the gradient featured cluster analysis of the polar coordinate image to preliminary select the reconstructed image data. Then the Hough transform is adopted to detect the lines of the recombined data. When the artifacts in the original image are mapped out, the linear artifacts in the polar coordinate image are eliminated by interpolation. Then we can purposefully eliminate the ring artifacts in the reconstructed image. Simulation and experimental results show that with the image gradient featured cluster analysis, the effective number of detected artifact lines is greatly increased, the ring artifacts, arc artifacts and cluster artifacts in the central area of the reconstructed images are effectively removed, and the erroneous detection of lines by traditional Hough transform method is greatly reduced.
-
嗜铬细胞瘤(pheochromocytomas,PCC)是一种罕见的、转移性的、潜在致命的神经内分泌肿瘤(neuroendocrine tumours,NETs)。发病率约为每年每100万人6例[1],而在尸检研究中,PCC和肾上腺外PCC的患病率为每百万人中有250~
1300 例[2],性别比接近1∶1,且两者之间的比例约为80%/20%[3],随着成像技术的发展,这个比例有所提高。PCC主要表现为高儿茶酚胺血症相关症状,如低血糖、甲状腺毒症、恐慌综合征等。PCC病理上可发生多种变性,致使其影像学表现多样性,故有“影像变色龙”之称;其表现形式随内部脂肪变性、囊变坏死、纤维化、钙化、出血等程度而呈不同表现,因此其诊断难度较高。手术切除是其最佳治疗方式,在麻醉和手术牵拉下,儿茶酚胺过度释放而引起的脑血管并发症是PCC患者最重要的围手术期并发症之一[4]。尽管通过充分的术前准备,如术前用药,麻醉方式以及合适的手术入路有助于降低患者的围手术期死亡率[5],但术中血流动力学不稳定(hemodynamic Instability,HDI)的发生率仍高达31.3%~69.3%[6-7]。上述中的危险因素可在术前提供指导,但并不足以预测并评估术中HDI。传统CT图像特征以及相关指标已被多项研究证明与术中HDI有关[7-8],但这依然不足以预测术中血压剧烈波动;基于CT的影像组学通过提取瘤体内影像学标志物,获得异质性的定量图像高维信息,从而有效预测术中HDI。1. 影响PCC术中HDI因素分析
HDI通常定义为麻醉诱导时及术中牵拉瘤体或邻近组织时出现的高血压,以及术后的严重低血压[9]。
1.1 影像、临床及身体成分因素
常规CT图像特征如肿瘤大小、囊变坏死、出血以及相关临床指标如年龄、术前血压、体位性低血压、身体质量指数(body mass index,BMI)、心率、较高的儿茶酚胺水平[10]、香草扁桃酸(vanillyl mandelicacid,VMA)值、单核细胞百分比值、α-阻滞类型、手术方式、术前晶体/胶体液的使用量[11]等已被大量研究证明与术中HDI的发生紧密联系[12]。其中儿茶酚胺水平、肿瘤大小以及VMA值早已被当做预测因子,而单核细胞百分比值为近来新发现的因素[7]。原因可能是HDI患者的单核细胞亚群(如CD 14++和CD 16+单核细胞)可能增加,这可能促进动脉粥样硬化[13-14],从而增加大血管的脆性并增加手术期间HDI的风险。但是,以上影响术中HDI的临床因素,甚至CT图像目视特征对预测术中HDI仍然具有巨大挑战性。PANG等[15,7]研究发现,身体成分如骨骼肌减少、内脏脂肪增多等与术中HDI发生相关,推测可能与内脏脂肪增多患者心血管反应性降低有关。此研究进一步扩宽了关于术中风险评估的道路,并且有助于指导术前措施,减少围术期并发症。
1.2 遗传因素
基因突变是导致PCC的重要患病因素。目前研究表明,主要与以下3个通路的信号簇有关[16],假性缺氧途径相关的簇(Cluster 1型)、酪氨酸激酶信号途径相关的簇(Cluster 2型)以及近来发现的WNT通路突变型(Cluster 3型)[17]。不同基因簇类型的PCC儿茶酚胺合成、分泌以及释放有差异,Cluster 1型为去甲肾上腺素能表型,而Cluster 2型为肾上腺素能表型,Cluster 3型为混合型。MA等[9]已证实儿茶酚胺水平是影响术中血流动力学波动的因素之一。因此,明确PCC患者基因型有助于减少术中HDI。基于常规CT的组学模式正如火如荼地进行中,基于PET-CT的分子影像组学同样在识别PCC基因型的应用中大放异彩[18-20]。此外,功能性影像学成像技术还可用于对肾上腺肿物和生化不明确的患者的基因型、诊疗、多灶性疾病的评估以及转移性和局部肿瘤扩散的分期及筛查[21]。综上,基因突变是导致术中HDI的重要因素之一,有效识别突变表型是重点,而多模态影像组学便是关键的突破口之一。
2. PCC CT纹理分析
恶性PCC术中HDI及术后并发症风险较良性患者高,由于前者通常伴有包膜侵犯、肿瘤包饶血管、灶内血管增粗迂曲或灶内瘤栓以及多灶转移等征象,造成手术范围扩大以及麻醉方式改变,极大增加术中风险以及围术期并发症。CT纹理分析(CT Texture analysis,CTTA)是一种异质性图像后处理技术,可对图像中的像素特征进行数学分析,获取一系列的异质性定量参数,从而有助于肿瘤的良恶性鉴别[22]、肿瘤分期、生物学活性[23]以及风险评估。YU等[24]通过分析125例患者的PCC纹理特征,结论是熵和标准差作为最佳指标,熵显示用于区分良恶性肿瘤的AUC范围为0.95~0.97,灵敏度和特异性分别为81%~95%和88%~100%。标准差显示区分肿瘤的AUC范围为0.91~0.94,灵敏度和特异性分别为73%~93%和86%~95%。陈亚曦等[25]利用转移瘤的CT平扫和增强图像进行CTTA,并记录6个纹理参数(包括像素分布直方图的均值、标准差、阳性像素均值、熵、峰度、偏度)在6个空间缩放因子上的变化。结果显示转移瘤平扫图像的平均灰度值、标准差、熵值、阳性像素平均值和峰度均显著降低(P <
0.0083 )。在增强CT图像上,除偏度和峰度外,其他4项纹理量化指标在转移瘤组均低于对照组(P <0.0083 )。表明CTTA对鉴别转移瘤和良性肿瘤有较高的准确性及极大的应用价值。此外,SHI等[26]对使用纹理分析对肾上腺肿块(包括PCC和肾上腺PCC)良恶性鉴别、分期分级及风险评估提出质疑,并撰写了荟萃分析。结果表明,CT纹理分析对PCC等肾上腺肿块的良恶性以及转移性评价效果是显著且广泛可行的。3. 影像组学鉴定PCC遗传簇
前述中表明,血液中儿茶酚胺的水平与术中风险高低紧密相关,不同的遗传簇表征同样影响着儿茶酚胺的合成、分泌及释放。遗传簇的潜在突变影响着PCC患者的临床表现[27],而这种遗传差异能被PET核素(18F-FDG)标记到。NOORTMAN等[19]探讨了PET和低剂量CT放射组学特征在PCC遗传簇特征化中的潜在应用,结果表明,与生化、标准摄取最大值(SUVmax)、ldCT放射组学和联合方法相比,PET放射组学实现了更好的PCC遗传簇的鉴定,特别是对于散发性PCC的鉴别。但是由于其样本量较小,研究结果是否可靠还得依靠后续研究证实。另有DE等[28]结合组织病理学特征及临床对25名患者进行了基于CT放射组学特征的聚类分析,确定了具有共同纹理特征的两个不同簇,一个簇的特征在于更有症状的表现和侵袭性组织学,并且在动脉期表现出较高的HU值,在静脉期表现出较低的HU值,以及在非增强期检测到较低的最大HU值。恶性PCC的患病率通常在10%至17%之间,但琥珀酸脱氢酶(succinate dehydrogenase,SDH)的B蛋白亚基突变在恶性PCC患者中几乎达到40%[29]。质子核磁共振波谱已被研究用于鉴定PCC的遗传簇,发现琥珀酸是检测SDHB突变的高度特异性和敏感性标志物[30]。由此可推测SDHB基因型突变的PCC患者,恶性程度更高,转移风险更大,术前准备更个人化以及术中风险更高。结合质子波谱的研究成果,MR影像组学可能是SDHB基因型PCC的潜力热点研究方向。
4. CT影像组学对PCC风险评估
2017年WHO分类前,常把PCC和异位PCC分良、恶性。随着WHO内分泌肿瘤分类后,摒弃了这种说法,并且认为所有的PCC都是恶性肿瘤,都具有转移的潜能,大概有20%的转移率[31]。大量研究以组织病理学为基础,构建了嗜铬细胞瘤转移风险(pheochromocytoma of the adrenal gland scaled score,PASS)、肾上腺嗜铬细胞瘤和副神经节瘤分级(grading system for adrenal pheochromocytoma and paraganglioma,GAPP)以及复合嗜铬细胞瘤/副神经节瘤预后(composite pheochromocytoma/paraganglioma prognostic Score,COPPS)等评分系统[32-33],并且评分系统也一直更新优化。尽管以上评分系统都各具优点,但2022年WHO对PCC分类评分并不认可,同时也不阻止其在个体实践中的使用。这种情况下,基于CT、MRI以及PET多模态影像组学俨然成了新的方向。ZHOU等[34]创新性的使用CT放射组学和临床放射学特征的联合模型区分PCC的风险分层,结论表明将支持向量机(support vector machine,SVM)模型的输出与两种临床放射学特征相结合,构建的组合模型对PCC具有最佳的风险分层能力,训练集的AUC为0.926,外部验证集的AUC为0.883,外部测试集的AUC为0.899。但是,鉴于PCC相对少见,收集有效的样本量是该方法最大的困难,还有待于发掘更大规模的研究来预测PCC和异位PCC的风险分层。
5. 人工智能联合CT影像组学在PCC中的应用
机器学习(machine learning,ML)[35-36]是人工智能的一个分支,专注于开发算法和统计模型,使计算机系统能够利用数据来提高性能,从数据中学习并做出预测或决策。近年来,ML与影像组学联合应用于肿瘤的诊断与鉴别诊断、疗效评价、结局分析以及风险评估等方面。PCC的术前准备、术中风险评估以及术后随访管理就是这一领域的一大热点。FU和PANG等研究项目[7,15]就利用结合身体成分的CT影像组学集成ML模型预测术中HDI,并且成功证明该集成模型有助于预测术中HDI。此外,PCC手术入路、方式以及手术难度都与术中风险紧密相关。SUN等[37]开发了一个基于影像组学的预测PCC手术难度的ML模型,通过精确度、F1评分、受试者工作特征(receiver operating characteristic curve,ROC)曲线和AUC值的综合评价显示,随机森林模型具有更稳定的预测性能,根据临床决策(decision curve analysis,DCA)曲线分析显示,极限梯度提升(eXtreme gradient boosting,XGBoost)模型可以显著地使患者受益。目前对于PCC转移风险的预测多是从组织病理学基础上结合评分系统对其进行评估,但其特异性及准确率较低下;PAMPORAKI等[38]收集267例PCC患者通过机器学习模型对前瞻性的预测转移风险,结果表明集成分类算法模型性能最佳,AUC达0.94,在外部验证队列中预测转移性疾病的灵敏度达到83%,特异性为92%。除了以上所陈列的应用外,机器学习结合CT放射组学模型对PCC与乏脂腺瘤的鉴别也有很大的价值,并且无需使用增强CT图像即可[39]。
6. 小结与展望
基于CT、MRI以及PET等功能性成像的影像组学不仅广泛应用于PCC风险评估,而且在肺癌[40]、胃癌、食道癌等各系统肿瘤的远处转移及邻近组织侵犯的应用中都扮演着重要的角色。基于CT纹理特征所建立的组学模型在PCC的诊断、分期、危险分级和随访中具有关键作用。一般认为CT和MRI具有同等的作用。此外,腹部X线及相关造影、超声、MRI和PET-CT也提供了额外有价值的信息,对疾病筛查和特征诊断有所裨益。特别是,多模态影像组学的应用为临床PCC的诊疗开辟了新的方向。然而,在常规临床实践中,PCC常呈现出明显的异质性。其影像和病理表现复杂多样,涉及到内分泌科、泌尿外科、医学影像科、病理科以及心内科等多个学科领域[29,41]。这种多样性容易导致患者受到过度诊疗和误诊误治,成为各治疗科室面临的最棘手的难题之一。因此,构建多学科综合诊疗模式成为实现PCC精确诊断和评估的最佳途径。这种模式能够为患者提供正规、系统、有效和经济的治疗方案,从而最大程度地实现患者的受益。
-
-
[1] 李新斌, 张丽, 陈志强, 等. 行包货物实时验放CT智能解决方案[J]. CT理论与应用研究, 2022, 31(5): 597−615. DOI: 10.15953/j.ctta.2022.124. LI X B, ZHANG L, CHEN Z Q, et al. CT intelligent solution for real-time inspection and release of baggage and cargo[J]. CT Theory and Applications, 2022, 31(5): 597−615. DOI: 10.15953/j.ctta.2022.124. (in Chinese).
[2] 黄清萍, 金鑫, 许晓飞, 等. X射线衍射技术在安检领域的研究进展[J]. CT理论与应用研究, 2023, 32(6): 843−856. DOI: 10.15953/j.ctta.2023.158. HUANG Q P, JIN X, XU X F, et al. Research progress of X-ray diffraction technology in security inspection[J]. CT Theory and Applications, 2023, 32(6): 843−856. DOI: 10.15953/j.ctta.2023.158. (in Chinese).
[3] LI L, ZHAO T, CHEN Z. First dual MeV energy X-ray CT for container inspection: Design, algorithm, and preliminary experimental results[J]. IEEE Access, 2018, 6: 45534−45542. DOI: 10.1109/ACCESS.2018.2864800.
[4] 李俊江, 胡少兴, 李保磊, 等. CT图像环状伪影校正方法[J]. 北京航空航天大学学报, 2007, 33(11): 1378−1382. DOI: 10.3969/j.issn.1001-5965.2007.11.028. LI J J, HU S X, LI B L, et al. Ring artifact correction for industrial CT images[J]. Journal of Beijing University of Aeronautics and Astronautics, 2007, 33(11): 1378−1382. DOI: 10.3969/j.issn.1001-5965.2007.11.028. (in Chinese).
[5] 王钰, 黄苏红, 蔡玉芳. 工业CT图像环形伪影校正[J]. 光学精密工程, 2010, 18(5): 1226−1233. WANG J, HUANG S H, CAI Y F. Ring artifact correction for ICT images[J]. Optics and Precision Engineering, 2010, 18(5): 1226−1233. (in Chinese).
[6] 朱险峰, 何希儒. CT环形伪影原因分析与处理[J]. 牡丹江医学院学报, 2001, 22(2): 56−57. DOI: 10.3969/j.issn.1001-7550.2001.02.055. [7] Van NIEUWENHOVE V, de BEENHOUWER J, de CARLO F, et al. Dynamic intensity normalization using eigen flat fields in X-ray imaging[J]. Optics Express, 2015, 23(21): 27975−27989. DOI: 10.1364/OE.23.027975.
[8] ANAS E M A, LEE S Y, HASAN M K. Classification of ring artifacts for their effective removal using type adaptive correction schemes[J]. Computers in Biology and Medicine, 2011, 41(6): 390−401. DOI: 10.1016/j.compbiomed.2011.03.018.
[9] ANAS E M A, LEE S Y, HASAN M K. Removal of ring artifacts in CT imaging through detection and correction of stripes in the sonogram[J]. Physics in Medicine & Biology, 2010, 55: 6911−6930.
[10] MÜNCH B, TRTIK P, MARONE F, et al. Stripe and ring artifact removal with combined wavelet—Fourier filtering[J]. Optics Express, 2009, 17: 8567−8591. DOI: 10.1364/OE.17.008567.
[11] 马继明, 宋岩, 王群书, 等. X射线CT环形伪影去除方法[J]. 强激光与粒子束, 2014, 26(12): 124001. DOI: 10.11884/HPLPB201426.124001. MA J M, SONG Y, WANG Q S, et al. Ring artifact correction for X-ray computed tomography[J]. High Power Laser and Particle Beams, 2014, 26(12): 124001. DOI: 10.11884/HPLPB201426.124001. (in Chinese).
[12] SIJBERS J, POSTNOV A. Reduction of ring artifacts in high resolution micro-CT reconstruction[J]. Physics in Medicine and Biology, 2004, 49: N247. DOI: 10.1088/0031-9155/49/14/N06.
[13] WU H, LI J, WANG H. Removing ring artifacts in cone-beam CT via TV-stokes and unidirectional total variation model[J]. Medical physics, 2019, 46: 1719−1727. DOI: 10.1002/mp.13430.
[14] LIANG X, ZHANG Z, NIU T, et al. Iterative image-domain ring artifact removal in cone-beam CT[J]. Physics in Medicine & Biology, 2017, 62: 5276−5292.
[15] FANG W, LI L, CHEN Z. Removing ring artefacts for photon-counting detectors using neural networks in different domains[J]. IEEE Access, 2020, 99: 1−1.
[16] CHANG S, CHEN X, DUAN J, et al. A CNN-based hybrid ring artifact reduction algorithm for CT images[J]. IEEE Transactions on Radiation and Plasma Medical Sciences, 2021, 5(2): 253−260. DOI: 10.1109/TRPMS.2020.2983391.
[17] LIU Y, WEI C, XU Q. Detector shifting and deep learning based ring artifact correction method for low-dose CT[J]. Medical Physics, 2023, 50(7): 4308−4324. DOI: 10.1002/mp.16225.
[18] ZHAO S, LI J, HUO Q. Removing ring artifacts in CBCT images via generative adversarial network[C]//International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018: 1055-1059.
[19] KORNILOV A, SAFONOV I, REIMERS I, et al. Deep neural networks for ring artifacts segmentation and corrections in fragments of CT images[C]//Conference of Open Innovations Association (FRUCT), IEEE, 2021: 181-193.
[20] PALEO P, MIRONE A. Ring artifacts correction in compressed sensing tomographic reconstruction[J]. Journal of Synchrotron Radiation, 2015, 22(5): 1268−1278. DOI: 10.1107/S1600577515010176.
[21] SALEHJAHROMI M, WANG Q, ZHANG Y, et al. A new iterative algorithm for ring artifact reduction in CT using ring total variation[J]. Medical Physics, 2019, 46(11): 4803−4815. DOI: 10.1002/mp.13762.
[22] SELIM M, RASHED E A, ATIEA M A, et al. Sparsity-based method for ring artifact elimination in computed tomography[J]. PLOS ONE, 2022, 17(6).
[23] WALSH D, RAFTERY A. Accurate and efficient curve detection in images: The importance sampling Hough transform[J]. Pattern Recognition, 2002, 35(7): 1421−1431. DOI: 10.1016/S0031-3203(01)00114-5.
[24] WALSH D C I. The importance sampling Hough transform[C]//Advances in Imaging and Electron Physics, 2005, 138: 321-359.
[25] FANG W, LI L, CHEN Z, et al. First commercial dual-energy MeV CT for container imaging: Experimental results[C]//The 6th International Conference on Image Formation in X-ray Computed Tomography, Regensburg, 2020.